---
title: "Innovation agricole au Québec"
author: "LRI"
output:
flexdashboard::flex_dashboard:
theme : readable
social: menu
source: embed
logo: polytechnique_gauche_rgb_2.jpeg
---
```{r setup, include=FALSE, echo=FALSE, message = FALSE, warning = FALSE}
knitr::opts_chunk$set(echo = TRUE)
# runtime: shiny
library(dplyr)
library(readxl)
library(readr)
library(ggplot2)
library(ggthemes)
library(DT)
library(flexdashboard)
library(tidyverse)
library(lubridate)
library(tidyr)
library(plotly)
library("stringr")
library("plyr")
library("readr")
library(Req)
library(leaflet)
library(dplyr)
library(factoextra)
library(geojsonsf)
library(shiny)
longindicator<-gsheet::gsheet2tbl("https://docs.google.com/spreadsheets/d/1FlgVKwRCvj07knlYIX0xkiRNNnxxW4vhHMoERZ-qqrY/edit#gid=1382713023")
longwide <- longindicator %>% pivot_longer(!c("Country","Variable"), names_to = "Year", values_to= "Value")
longwider<- longwide %>% pivot_wider( names_from = Variable, values_from = Value)
## On importe les données concernant l'écosystème
ecosysteme <- gsheet::gsheet2tbl("https://docs.google.com/spreadsheets/d/1XwSgrbq5P6CKFkroaciYULswxxGA0aPig1Yojcrt6tM/edit?usp=sharing")
ecosysteme$Moyenne <- as.numeric(ecosysteme$Moyenne)
## On créé la matrice de distance avec le centroïde de l'écosystème
distance <- data.frame(matrix(ncol=3, nrow=0))
colnames(distance) <- c("Categorie","Longitude","Latitude")
distance[1,] <- c(ecosysteme$Nom_ent[2],ecosysteme$Longitude[2],ecosysteme$Latitude[2])
distance$Longitude <- round(as.numeric(distance$Longitude),5)
distance$Latitude <- round(as.numeric(distance$Latitude),5)
distance[1,4] <- "Écosystème"
distance[1,5:11] <- 1
colnames(distance)[4] <- "Secteur"
colnames(distance)[5] <- "Complet" ## Catégorie prenant tous les exploitations du secteur agricole
colnames(distance)[6] <- "emp_sup_10" ## Catégorie des exploitations de plus de 10 employés
colnames(distance)[7] <- "emp_inf_10" ## Catégorie des exploitations de moins de 10 employés
colnames(distance)[8] <- "age_inf_5" ## Catégorie des entreprises agricoles de moins de 5 ans
colnames(distance)[9] <- "age_inf_15_sup_5" ## Catégorie des entreprises agricoles de plus de 5 ans et moins de 15 ans
colnames(distance)[10] <- "age_sup_15" ## Catégorie des entreprises agricoles de plus de 15 ans
colnames(distance)[11] <- "Dist_centre" ## Distance avec le centroïde de la grappe industrielle
```
# Ecosystème
```{r, echo=FALSE, message = FALSE, warning = FALSE}
ecosysteme <- ecosysteme[-1,]
ecosysteme$Moyenne2 <- round(ecosysteme$Moyenne^2,2)
## On cartographie l'écosystème
leaflet(data = ecosysteme) %>%
setView(-72.8, 46.1, 8) %>%
addTiles() %>%
addCircleMarkers(lng = ~Longitude, lat = ~Latitude, ## On ajoute les points de coordonnées des entreprises
radius = ~Moyenne2, stroke = FALSE, fillOpacity = 0.8,
color= ~colorBin('OrRd',Moyenne)(Moyenne),
popup = ~ paste("Nom:", Nom_ent, "<br/>","Signal :", Moyenne,"<br/>","Impact des services :", Impact)) %>%
addCircleMarkers(lng = ecosysteme$Longitude[1], lat = ecosysteme$Latitude[1], ## On ajoute le centroïde de l'écosystème
radius = 25, stroke = FALSE, fillOpacity = 0.9,
color = "steelblue",
popup = paste("Nom:", ecosysteme$Nom_ent[1], "<br/>","Signal :", ecosysteme$Moyenne[1],"<br/>","Impact des services :", ecosysteme$Impact[1]) ) %>%
addLegend(
"topleft",
title = "Signal de l'entreprise",
pal = colorBin('OrRd', ecosysteme$Moyenne),
values = ecosysteme$Impact,
opacity = 0.9)
```
# Exemple : Céréales
## Column {data-width="700"}
### Carte des catégories
```{r, echo=FALSE, message=FALSE,warning=FALSE}
df_0131 <- Req::Req_data(industry = 0131, active = 1) ## On récupères les données de la REQ par API
```
```{r, echo=FALSE, message = FALSE, warning = FALSE}
distance[2,1] <- "Céréales"
distance[2,2] <- round(mean(df_0131$Long,na.rm = TRUE),5)
distance[2,3] <- round(mean(df_0131$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[2,4] <- "Céréales"
distance[2,5] <- 1
distance[2,12] <- length(df_0131$Long) ## Calcul de nombre d'entreprises agricoles appartenant à la catégorie
colnames(distance)[12] <- "nb_ent"
distance[2,13] <- round(sqrt(mean((df_0131$Lat - mean(df_0131$Lat,na.rm = TRUE))^2 + (df_0131$Long - mean(df_0131$Long,na.rm = TRUE))^2,na.rm=TRUE)),4)
index <- df_0131 %>%
filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
& COD_INTVAL_EMPLO_QUE != "A"
& COD_INTVAL_EMPLO_QUE != "B" )
distance[3,1] <- "Céréales & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[3,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[3,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[3,4] <- "Céréales"
distance[3,6] <- 1
distance[3,12] <- length(index$Long)
distance[3,13] <- round(sqrt(mean((index$Lat - mean(index$Lat,na.rm = TRUE))^2 + (index$Long - mean(index$Long,na.rm = TRUE))^2,na.rm=TRUE)),4)
index <- df_0131 %>%
filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[4,1] <- "Céréales & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[4,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[4,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[4,4] <- "Céréales"
distance[4,7] <- 1
distance[4,12] <- length(index$Long)
distance[4,13] <- round(sqrt(mean((index$Lat - mean(index$Lat,na.rm = TRUE))^2 + (index$Long - mean(index$Long,na.rm = TRUE))^2,na.rm=TRUE)),4)
index <- df_0131 %>%
filter(DAT_STAT_IMMAT > "2018-01-01")
distance[5,1] <- "Céréales & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 5 ans
distance[5,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[5,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[5,4] <- "Céréales"
distance[5,8] <- 1
distance[5,12] <- length(index$Long)
index <- df_0131 %>%
filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[6,1] <- "Céréales & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[6,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[6,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[6,4] <- "Céréales"
distance[6,9] <- 1
distance[6,12] <- length(index$Long)
index <- df_0131 %>%
filter(DAT_STAT_IMMAT < "2008-01-01")
distance[7,1] <- "Céréales & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[7,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[7,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[7,4] <- "Céréales"
distance[7,10] <- 1
distance[7,12] <- length(index$Long)
test <- sum(index$V62, na.rm=TRUE)
```
```{r, echo=FALSE, message = FALSE, warning = FALSE}
leaflet(data = distance[-1,]) %>%
addTiles() %>%
addCircleMarkers(lng = ecosysteme$Longitude[1], lat = ecosysteme$Latitude[1], ## On ajoute le centroïde de l'écosystème
radius = 25, stroke = FALSE, fillOpacity = 0.9,
color = "steelblue", popup = ecosysteme$Nom_ent[1]) %>%
addAwesomeMarkers(popup = ~Categorie)
```
## Column {data-width="300"}
### Tableau de mesure de distance avec le centroïde de l'écosystème
```{r, echo=FALSE, message = FALSE, warning = FALSE}
Long_centre <-distance$Longitude[1]
Lat_centre <- distance$Latitude[1]
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
colnames(distance)[11] <- "Dist_centre"
```
```{r, echo=FALSE, message = FALSE, warning = FALSE}
datatable(distance[,c(1,11)])
```
```{r Culture du maïs (sauf le maïs fourrager et le maïs sucré) (0134) , echo=FALSE, message=FALSE,warning=FALSE}
df_0134 <- Req::Req_data(industry = 0134, active = 1) ## On récupères les données de la REQ par API
```
```{r Culture du maïs (sauf le maïs fourrager et le maïs sucré) (0134) 2, echo=FALSE, message = FALSE, warning = FALSE}
distance[8,1] <- "Maïs"
distance[8,2] <- round(mean(df_0134$Long,na.rm = TRUE),5)
distance[8,3] <- round(mean(df_0134$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[8,5] <- 1
distance[8,12] <- length(df_0134$Long)
index <- df_0134 %>%
filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
& COD_INTVAL_EMPLO_QUE != "A"
& COD_INTVAL_EMPLO_QUE != "B" )
distance[9,1] <- "Maïs & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[9,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[9,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[9,6] <- 1
distance[9,12] <- length(index$Long)
index <- df_0134 %>%
filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[10,1] <- "Maïs & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[10,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[10,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[10,7] <- 1
distance[10,12] <- length(index$Long)
index <- df_0134 %>%
filter(DAT_STAT_IMMAT > "2018-01-01")
distance[11,1] <- "Maïs & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[11,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[11,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[11,8] <- 1
distance[11,12] <- length(index$Long)
index <- df_0134 %>%
filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[12,1] <- "Maïs & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[12,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[12,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[12,9] <- 1
distance[12,12] <- length(index$Long)
index <- df_0134 %>%
filter(DAT_STAT_IMMAT < "2008-01-01")
distance[13,1] <- "Maïs & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[13,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[13,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[13,10] <- 1
distance[13,12] <- length(index$Long)
##leaflet(data = distance) %>%
#addTiles() %>%
#addAwesomeMarkers(popup = ~Secteur)
distance[c(8:13),4] <- "Maïs"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```
```{r Culture de plantes fourragères (0135), echo=FALSE, message=FALSE,warning=FALSE}
df_0135 <- Req::Req_data(industry = 0135, active = 1) ## On récupères les données de la REQ par API
```
```{r Culture de plantes fourragères (0135) 2, echo=FALSE, message = FALSE, warning = FALSE}
distance[14,1] <- "Plantes fourragères"
distance[14,2] <- round(mean(df_0135$Long,na.rm = TRUE),5)
distance[14,3] <- round(mean(df_0135$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[14,5] <- 1
distance[14,12] <- length(df_0135$Long)
index <- df_0135 %>%
filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
& COD_INTVAL_EMPLO_QUE != "A"
& COD_INTVAL_EMPLO_QUE != "B" )
distance[15,1] <- "Plantes fourragères & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[15,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[15,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[15,6] <- 1
distance[15,12] <- length(index$Long)
index <- df_0135 %>%
filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[16,1] <- "Plantes fourragères & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[16,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[16,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[16,7] <- 1
distance[16,12] <- length(index$Long)
index <- df_0135 %>%
filter(DAT_STAT_IMMAT > "2018-01-01")
distance[17,1] <- "Plantes fourragères & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[17,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[17,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[17,8] <- 1
distance[17,12] <- length(index$Long)
index <- df_0135 %>%
filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[18,1] <- "Plantes fourragères & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[18,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[18,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[18,9] <- 1
distance[18,12] <- length(index$Long)
index <- df_0135 %>%
filter(DAT_STAT_IMMAT < "2008-01-01")
distance[19,1] <- "Plantes fourragères & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[19,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[19,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[19,10] <- 1
distance[19,12] <- length(index$Long)
##leaflet(data = distance) %>%
#addTiles() %>%
#addAwesomeMarkers(popup = ~Secteur)
distance[c(14:19),4] <- "Plantes fourragères"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```
```{r Culture de pommes de terre (0138) , echo=FALSE, message=FALSE,warning=FALSE}
df_0138 <- Req::Req_data(industry = 0138, active = 1) ## On récupères les données de la REQ par API
```
```{r Culture de pommes de terre (0138) 2, echo=FALSE, message = FALSE, warning = FALSE}
distance[20,1] <- "Pommes de terre"
distance[20,2] <- round(mean(df_0138$Long,na.rm = TRUE),5)
distance[20,3] <- round(mean(df_0138$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[20,5] <- 1
distance[20,12] <- length(df_0138$Long)
index <- df_0138 %>%
filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
& COD_INTVAL_EMPLO_QUE != "A"
& COD_INTVAL_EMPLO_QUE != "B" )
distance[21,1] <- "Pommes de terre & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[21,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[21,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[21,6] <- 1
distance[21,12] <- length(index$Long)
index <- df_0138 %>%
filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[22,1] <- "Pommes de terre & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[22,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[22,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[22,7] <- 1
distance[22,12] <- length(index$Long)
index <- df_0138 %>%
filter(DAT_STAT_IMMAT > "2018-01-01")
distance[23,1] <- "Pommes de terre & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[23,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[23,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[23,8] <- 1
distance[23,12] <- length(index$Long)
index <- df_0138 %>%
filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[24,1] <- "Pommes de terre & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[24,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[24,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[24,9] <- 1
distance[24,12] <- length(index$Long)
index <- df_0138 %>%
filter(DAT_STAT_IMMAT < "2008-01-01")
distance[25,1] <- "Pommes de terre & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[25,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[25,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[25,10] <- 1
distance[25,12] <- length(index$Long)
##leaflet(data = distance) %>%
#addTiles() %>%
#addAwesomeMarkers(popup = ~Secteur)
distance[c(20:25),4] <- "Pommes de terre"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```
```{r Autres grandes cultures (0139) , echo=FALSE, message=FALSE,warning=FALSE}
df_0139 <- Req::Req_data(industry = 0139, active = 1) ## On récupères les données de la REQ par API
```
```{r Autres grandes cultures (0139) 2, echo=FALSE, message = FALSE, warning = FALSE}
distance[26,1] <- "Autres grandes cultures"
distance[26,2] <- round(mean(df_0139$Long,na.rm = TRUE),5)
distance[26,3] <- round(mean(df_0139$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[26,5] <- 1
distance[26,12] <- length(df_0139$Long)
index <- df_0139 %>%
filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
& COD_INTVAL_EMPLO_QUE != "A"
& COD_INTVAL_EMPLO_QUE != "B" )
distance[27,1] <- "Autres grandes cultures & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[27,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[27,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[27,6] <- 1
distance[27,12] <- length(index$Long)
index <- df_0139 %>%
filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[28,1] <- "Autres grandes cultures & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[28,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[28,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[28,7] <- 1
distance[28,12] <- length(index$Long)
index <- df_0139 %>%
filter(DAT_STAT_IMMAT > "2018-01-01")
distance[29,1] <- "Autres grandes cultures & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[29,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[29,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[29,8] <- 1
distance[29,12] <- length(index$Long)
index <- df_0139 %>%
filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[30,1] <- "Autres grandes cultures & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[30,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[30,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[30,9] <- 1
distance[30,12] <- length(index$Long)
index <- df_0139 %>%
filter(DAT_STAT_IMMAT < "2008-01-01")
distance[31,1] <- "Autres grandes cultures & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[31,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[31,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[31,10] <- 1
distance[31,12] <- length(index$Long)
##leaflet(data = distance) %>%
#addTiles() %>%
#addAwesomeMarkers(popup = ~Secteur)
distance[c(26:31),4] <- "Autres grandes cultures"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```
```{r Culture de fruits (0151) , echo=FALSE, message=FALSE,warning=FALSE}
df_0151 <- Req::Req_data(industry = 0151, active = 1) ## On récupères les données de la REQ par API
```
```{r Culture de fruits (0151) 2, echo=FALSE, message = FALSE, warning = FALSE}
distance[32,1] <- "Fruits"
distance[32,2] <- round(mean(df_0151$Long,na.rm = TRUE),5)
distance[32,3] <- round(mean(df_0151$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[32,5] <- 1
distance[32,12] <- length(df_0151$Long)
index <- df_0151 %>%
filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
& COD_INTVAL_EMPLO_QUE != "A"
& COD_INTVAL_EMPLO_QUE != "B" )
distance[33,1] <- "Fruits & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[33,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[33,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[33,6] <- 1
distance[33,12] <- length(index$Long)
index <- df_0151 %>%
filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[34,1] <- "Fruits & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[34,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[34,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[34,7] <- 1
distance[34,12] <- length(index$Long)
index <- df_0151 %>%
filter(DAT_STAT_IMMAT > "2018-01-01")
distance[35,1] <- "Fruits & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[35,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[35,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[35,8] <- 1
distance[35,12] <- length(index$Long)
index <- df_0151 %>%
filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[36,1] <- "Fruits & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[36,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[36,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[36,9] <- 1
distance[36,12] <- length(index$Long)
index <- df_0151 %>%
filter(DAT_STAT_IMMAT < "2008-01-01")
distance[37,1] <- "Fruits & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[37,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[37,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[37,10] <- 1
distance[37,12] <- length(index$Long)
##leaflet(data = distance) %>%
#addTiles() %>%
#addAwesomeMarkers(popup = ~Secteur)
distance[c(32:37),4] <- "Fruits"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```
```{r Culture de légumes (0152) , echo=FALSE, message=FALSE,warning=FALSE}
df_0152 <- Req::Req_data(industry = 0152, active = 1) ## On récupères les données de la REQ par API
```
```{r Culture de légumes (0152) 2, echo=FALSE, message = FALSE, warning = FALSE}
distance[38,1] <- "Légumes"
distance[38,2] <- round(mean(df_0152$Long,na.rm = TRUE),5)
distance[38,3] <- round(mean(df_0152$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[38,5] <- 1
distance[38,12] <- length(df_0152$Long)
index <- df_0152 %>%
filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
& COD_INTVAL_EMPLO_QUE != "A"
& COD_INTVAL_EMPLO_QUE != "B" )
distance[39,1] <- "Légumes & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[39,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[39,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[39,6] <- 1
distance[39,12] <- length(index$Long)
index <- df_0152 %>%
filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[40,1] <- "Légumes & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[40,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[40,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[40,7] <- 1
distance[40,12] <- length(index$Long)
index <- df_0152 %>%
filter(DAT_STAT_IMMAT > "2018-01-01")
distance[41,1] <- "Légumes & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[41,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[41,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[41,8] <- 1
distance[41,12] <- length(index$Long)
index <- df_0152 %>%
filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[42,1] <- "Légumes & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[42,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[42,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[42,9] <- 1
distance[42,12] <- length(index$Long)
index <- df_0152 %>%
filter(DAT_STAT_IMMAT < "2008-01-01")
distance[43,1] <- "Légumes & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[43,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[43,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[43,10] <- 1
distance[43,12] <- length(index$Long)
##leaflet(data = distance) %>%
#addTiles() %>%
#addAwesomeMarkers(popup = ~Secteur)
distance[c(38:43),4] <- "Légumes"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```
```{r Culture mixte de fruits et légumes (0159) , echo=FALSE, message=FALSE,warning=FALSE}
df_0159 <- Req::Req_data(industry = 0159, active = 1) ## On récupères les données de la REQ par API
```
```{r Culture mixte de fruits et légumes (0159) 2, echo=FALSE, message = FALSE, warning = FALSE}
distance[44,1] <- "Mixte fruits et légumes"
distance[44,2] <- round(mean(df_0159$Long,na.rm = TRUE),5)
distance[44,3] <- round(mean(df_0159$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[44,5] <- 1
distance[44,12] <- length(df_0159$Long)
index <- df_0159 %>%
filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
& COD_INTVAL_EMPLO_QUE != "A"
& COD_INTVAL_EMPLO_QUE != "B" )
distance[45,1] <- "Mixte fruits et légumes & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[45,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[45,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[45,6] <- 1
distance[45,12] <- length(index$Long)
index <- df_0159 %>%
filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[46,1] <- "Mixte fruits et légumes & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[46,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[46,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[46,7] <- 1
distance[46,12] <- length(index$Long)
index <- df_0159 %>%
filter(DAT_STAT_IMMAT > "2018-01-01")
distance[47,1] <- "Mixte fruits et légumes & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[47,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[47,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[47,8] <- 1
distance[47,12] <- length(index$Long)
index <- df_0159 %>%
filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[48,1] <- "Mixte fruits et légumes & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[48,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[48,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[48,9] <- 1
distance[48,12] <- length(index$Long)
index <- df_0159 %>%
filter(DAT_STAT_IMMAT < "2008-01-01")
distance[49,1] <- "Mixte fruits et légumes & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[49,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[49,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[49,10] <- 1
distance[49,12] <- length(index$Long)
##leaflet(data = distance) %>%
#addTiles() %>%
#addAwesomeMarkers(popup = ~Secteur)
distance[c(44:49),4] <- "Mixte fruits et légumes"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```
```{r Culture de champignons (0161) , echo=FALSE, message=FALSE,warning=FALSE}
df_0161 <- Req::Req_data(industry = 0161, active = 1) ## On récupères les données de la REQ par API
```
```{r Culture de champignons (0161) 2, echo=FALSE, message = FALSE, warning = FALSE}
distance[50,1] <- "Champignons"
distance[50,2] <- round(mean(df_0161$Long,na.rm = TRUE),5)
distance[50,3] <- round(mean(df_0161$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[50,5] <- 1
distance[50,12] <- length(df_0161$Long)
index <- df_0161 %>%
filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
& COD_INTVAL_EMPLO_QUE != "A"
& COD_INTVAL_EMPLO_QUE != "B" )
distance[51,1] <- "Champignons & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[51,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[51,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[51,6] <- 1
distance[51,12] <- length(index$Long)
index <- df_0161 %>%
filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[52,1] <- "Champignons & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[52,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[52,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[52,7] <- 1
distance[52,12] <- length(index$Long)
index <- df_0161 %>%
filter(DAT_STAT_IMMAT > "2018-01-01")
distance[53,1] <- "Champignons & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[53,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[53,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[53,8] <- 1
distance[53,12] <- length(index$Long)
index <- df_0161 %>%
filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[54,1] <- "Champignons & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[54,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[54,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[54,9] <- 1
distance[54,12] <- length(index$Long)
index <- df_0161 %>%
filter(DAT_STAT_IMMAT < "2008-01-01")
distance[55,1] <- "Champignons & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[55,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[55,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[55,10] <- 1
distance[55,12] <- length(index$Long)
##leaflet(data = distance) %>%
#addTiles() %>%
#addAwesomeMarkers(popup = ~Secteur)
distance[c(50:55),4] <- "Champignons"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```
```{r Culture en serres (0162) , echo=FALSE, message=FALSE,warning=FALSE}
df_0162 <- Req::Req_data(industry = 0162, active = 1) ## On récupères les données de la REQ par API
```
```{r Culture en serres (0162) 2, echo=FALSE, message = FALSE, warning = FALSE}
distance[56,1] <- "Serres"
distance[56,2] <- round(mean(df_0162$Long,na.rm = TRUE),5)
distance[56,3] <- round(mean(df_0162$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[56,5] <- 1
distance[56,12] <- length(df_0162$Long)
index <- df_0162 %>%
filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
& COD_INTVAL_EMPLO_QUE != "A"
& COD_INTVAL_EMPLO_QUE != "B" )
distance[57,1] <- "Serres & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[57,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[57,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[57,6] <- 1
distance[57,12] <- length(index$Long)
index <- df_0162 %>%
filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[58,1] <- "Serres & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[58,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[58,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[58,7] <- 1
distance[58,12] <- length(index$Long)
index <- df_0162 %>%
filter(DAT_STAT_IMMAT > "2018-01-01")
distance[59,1] <- "Serres & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[59,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[59,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[59,8] <- 1
distance[59,12] <- length(index$Long)
index <- df_0162 %>%
filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[60,1] <- "Serres & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[60,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[60,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[60,9] <- 1
distance[60,12] <- length(index$Long)
index <- df_0162 %>%
filter(DAT_STAT_IMMAT < "2008-01-01")
distance[61,1] <- "Serres & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[61,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[61,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[61,10] <- 1
distance[61,12] <- length(index$Long)
##leaflet(data = distance) %>%
#addTiles() %>%
#addAwesomeMarkers(popup = ~Secteur)
distance[c(56:61),4] <- "Serres"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```
```{r Culture en pépinières & gazonnières (0163) , echo=FALSE, message=FALSE,warning=FALSE}
df_0163 <- Req::Req_data(industry = 0163, active = 1) ## On récupères les données de la REQ par API
```
```{r Culture en pépinières & gazonnières (0163) 2, echo=FALSE, message = FALSE, warning = FALSE}
distance[62,1] <- "Pépinières"
distance[62,2] <- round(mean(df_0163$Long,na.rm = TRUE),5)
distance[62,3] <- round(mean(df_0163$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[62,5] <- 1
distance[62,12] <- length(df_0163$Long)
index <- df_0163 %>%
filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
& COD_INTVAL_EMPLO_QUE != "A"
& COD_INTVAL_EMPLO_QUE != "B" )
distance[63,1] <- "Pépinières & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[63,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[63,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[63,6] <- 1
distance[63,12] <- length(index$Long)
index <- df_0163 %>%
filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[64,1] <- "Pépinières & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[64,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[64,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[64,7] <- 1
distance[64,12] <- length(index$Long)
index <- df_0163 %>%
filter(DAT_STAT_IMMAT > "2018-01-01")
distance[65,1] <- "Pépinières & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[65,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[65,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[65,8] <- 1
distance[65,12] <- length(index$Long)
index <- df_0163 %>%
filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[66,1] <- "Pépinières & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[66,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[66,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[66,9] <- 1
distance[66,12] <- length(index$Long)
index <- df_0163 %>%
filter(DAT_STAT_IMMAT < "2008-01-01")
distance[67,1] <- "Pépinières & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[67,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[67,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[67,10] <- 1
distance[67,12] <- length(index$Long)
##leaflet(data = distance) %>%
#addTiles() %>%
#addAwesomeMarkers(popup = ~Secteur)
distance[c(62:67),4] <- "Pépinières"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```
```{r Culture érabilières (0164) , echo=FALSE, message=FALSE,warning=FALSE}
df_0164 <- Req::Req_data(industry = 0164, active = 1) ## On récupères les données de la REQ par API
```
```{r Culture érabilières (0164) 2, echo=FALSE, message = FALSE, warning = FALSE}
distance[68,1] <- "Érablières"
distance[68,2] <- round(mean(df_0164$Long,na.rm = TRUE),5)
distance[68,3] <- round(mean(df_0164$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[68,5] <- 1
distance[68,12] <- length(df_0164$Long)
index <- df_0164 %>%
filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
& COD_INTVAL_EMPLO_QUE != "A"
& COD_INTVAL_EMPLO_QUE != "B" )
distance[69,1] <- "Érablières & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[69,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[69,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[69,6] <- 1
distance[69,12] <- length(index$Long)
index <- df_0164 %>%
filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[70,1] <- "Érablières & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[70,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[70,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[70,7] <- 1
distance[70,12] <- length(index$Long)
index <- df_0164 %>%
filter(DAT_STAT_IMMAT > "2018-01-01")
distance[71,1] <- "Érablières & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[71,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[71,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[71,8] <- 1
distance[71,12] <- length(index$Long)
index <- df_0164 %>%
filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[72,1] <- "Érablières & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[72,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[72,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[72,9] <- 1
distance[72,12] <- length(index$Long)
index <- df_0164 %>%
filter(DAT_STAT_IMMAT < "2008-01-01")
distance[73,1] <- "Érablières & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[73,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[73,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[73,10] <- 1
distance[73,12] <- length(index$Long)
##leaflet(data = distance) %>%
#addTiles() %>%
#addAwesomeMarkers(popup = ~Secteur)
distance[c(68:73),4] <- "Érablières"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```
```{r Autres spécialités horticoles (0169) , echo=FALSE, message=FALSE,warning=FALSE}
df_0169 <- Req::Req_data(industry = 0169, active = 1) ## On récupères les données de la REQ par API
```
```{r Autres spécialités horticoles (0169) 2, echo=FALSE, message = FALSE, warning = FALSE}
distance[74,1] <- "Autres cultures horticoles"
distance[74,2] <- round(mean(df_0169$Long,na.rm = TRUE),5)
distance[74,3] <- round(mean(df_0169$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[74,5] <- 1
distance[74,12] <- length(df_0169$Long)
index <- df_0169 %>%
filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
& COD_INTVAL_EMPLO_QUE != "A"
& COD_INTVAL_EMPLO_QUE != "B" )
distance[75,1] <- "Autres cultures horticoles & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[75,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[75,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[75,6] <- 1
distance[75,12] <- length(index$Long)
index <- df_0169 %>%
filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[76,1] <- "Autres cultures horticoles & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[76,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[76,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[76,7] <- 1
distance[76,12] <- length(index$Long)
index <- df_0169 %>%
filter(DAT_STAT_IMMAT > "2018-01-01")
distance[77,1] <- "Autres cultures horticoles & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[77,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[77,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[77,8] <- 1
distance[77,12] <- length(index$Long)
index <- df_0169 %>%
filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[78,1] <- "Autres cultures horticoles & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[78,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[78,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[78,9] <- 1
distance[78,12] <- length(index$Long)
index <- df_0169 %>%
filter(DAT_STAT_IMMAT < "2008-01-01")
distance[79,1] <- "Autres cultures horticoles & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[79,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[79,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[79,10] <- 1
distance[79,12] <- length(index$Long)
##leaflet(data = distance) %>%
#addTiles() %>%
#addAwesomeMarkers(popup = ~Secteur)
distance[c(74:79),4] <- "Autres cultures horticoles"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```
```{r Élevages grandes cultures et productions horticoles (0171) , echo=FALSE, message=FALSE,warning=FALSE}
df_0171 <- Req::Req_data(industry = 0171, active = 1) ## On récupères les données de la REQ par API
```
```{r Élevages grandes cultures et productions horticoles (0171) 2, echo=FALSE, message = FALSE, warning = FALSE}
distance[80,1] <- "Élevages, grandes cultures et productions horticoles"
distance[80,2] <- round(mean(df_0171$Long,na.rm = TRUE),5)
distance[80,3] <- round(mean(df_0171$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[80,5] <- 1
distance[80,12] <- length(df_0171$Long)
index <- df_0171 %>%
filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
& COD_INTVAL_EMPLO_QUE != "A"
& COD_INTVAL_EMPLO_QUE != "B" )
distance[81,1] <- "Élevages, grandes cultures et productions horticoles & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[81,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[81,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[81,6] <- 1
distance[81,12] <- length(index$Long)
index <- df_0171 %>%
filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[82,1] <- "Élevages, grandes cultures et productions horticoles & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[82,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[82,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[82,7] <- 1
distance[82,12] <- length(index$Long)
index <- df_0171 %>%
filter(DAT_STAT_IMMAT > "2018-01-01")
distance[83,1] <- "Élevages, grandes cultures et productions horticoles & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[83,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[83,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[83,8] <- 1
distance[83,12] <- length(index$Long)
index <- df_0171 %>%
filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[84,1] <- "Élevages, grandes cultures et productions horticoles & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[84,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[84,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[84,9] <- 1
distance[84,12] <- length(index$Long)
index <- df_0171 %>%
filter(DAT_STAT_IMMAT < "2008-01-01")
distance[85,1] <- "Élevages, grandes cultures et productions horticoles & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[85,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[85,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[85,10] <- 1
distance[85,12] <- length(index$Long)
##leaflet(data = distance) %>%
#addTiles() %>%
#addAwesomeMarkers(popup = ~Secteur)
distance[c(80:85),4] <- "Élev., grandes cult. et prod. hort."
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```
```{r echo=FALSE, message = FALSE, warning = FALSE}
#.sidebar
# selectInput("sect_act", label = "Secteur d'activité",
# choices = distance$Secteur, selected = distance$Secteur[1])
```
```{r echo=FALSE, message = FALSE, warning = FALSE}
##dist_user <- reactive({distance %>%
#filter(Secteur ==input$sect_act)
#})
#renderLeaflet({
# leaflet(data = distance[which(distance$Secteur == input$sect_act),]) %>%
#addTiles() %>%
#addAwesomeMarkers(popup = ~Categorie)
#})
```
```{r df exploitations agricoles cumulees, echo=FALSE, message = FALSE, warning = FALSE}
df_tot <- full_join(df_0131,df_0134)
df_tot <- full_join(df_tot,df_0135)
df_tot <- full_join(df_tot,df_0138)
df_tot <- full_join(df_tot,df_0139)
df_tot <- full_join(df_tot,df_0151)
df_tot <- full_join(df_tot,df_0152)
df_tot <- full_join(df_tot,df_0159)
df_tot <- full_join(df_tot,df_0161)
df_tot <- full_join(df_tot,df_0162)
df_tot <- full_join(df_tot,df_0163)
df_tot <- full_join(df_tot,df_0164)
df_tot <- full_join(df_tot,df_0169)
df_tot <- full_join(df_tot,df_0171)
```
```{r exploitations agricoles cumulees 2, echo=FALSE, message = FALSE, warning = FALSE}
distance[86,1] <- "Total des exploitations agricoles"
distance[86,2] <- round(mean(df_tot$Long,na.rm = TRUE),5)
distance[86,3] <- round(mean(df_tot$Lat,na.rm = TRUE),5) ## On ajoute les coordonnées des centroïdes du secteur d'activité dans la matrice de distance
distance[86,5] <- 1
distance[86,12] <- length(df_tot$Long)
index <- df_tot %>%
filter(COD_INTVAL_EMPLO_QUE != "N" & COD_INTVAL_EMPLO_QUE != "O"
& COD_INTVAL_EMPLO_QUE != "A"
& COD_INTVAL_EMPLO_QUE != "B" )
distance[87,1] <- "Total des exploitations agricoles & emp > 10" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 10 employés
distance[87,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[87,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[87,6] <- 1
distance[87,12] <- length(index$Long)
index <- df_tot %>%
filter(COD_INTVAL_EMPLO_QUE != "E" & COD_INTVAL_EMPLO_QUE != "D" & COD_INTVAL_EMPLO_QUE != "C")
distance[88,1] <- "Total des exploitations agricoles & emp < 10" ## On ajoute la catégorie des entreprises agricoles céréalières de moins de 10 employés
distance[88,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[88,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[88,7] <- 1
distance[88,12] <- length(index$Long)
index <- df_tot %>%
filter(DAT_STAT_IMMAT > "2018-01-01")
distance[89,1] <- "Total des exploitations agricoles & age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans
distance[89,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[89,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[89,8] <- 1
distance[89,12] <- length(index$Long)
index <- df_tot %>%
filter(DAT_STAT_IMMAT < "2018-01-01" & DAT_STAT_IMMAT > "2008-01-01" )
distance[90,1] <- "Total des exploitations agricoles & 15 < age < 5" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 5 ans et moins de 15 ans
distance[90,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[90,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[90,9] <- 1
distance[90,12] <- length(index$Long)
index <- df_tot %>%
filter(DAT_STAT_IMMAT < "2008-01-01")
distance[91,1] <- "Total des exploitations agricoles & age > 15" ## On ajoute la catégorie des entreprises agricoles céréalières de plus de 15 ans
distance[91,2] <- round(mean(index$Long,na.rm = TRUE),5)
distance[91,3] <- round(mean(index$Lat,na.rm = TRUE),5)
distance[91,10] <- 1
distance[91,12] <- length(index$Long)
##leaflet(data = distance) %>%
#addTiles() %>%
#addAwesomeMarkers(popup = ~Secteur)
distance[c(86:91),4] <- "Total des exploitations agricoles"
distance[,11] <- round(sqrt((distance$Longitude - Long_centre)^2 + (distance$Latitude - Lat_centre)^2),4)
```
# Catographie des secteurs
## Column {data-width="650"}
### Catographie des centroïdes des secteurs agricoles
```{r, echo=FALSE, message = FALSE, warning = FALSE}
index <- distance[-1,] %>%
filter(Complet == 1)
leaflet(data = index) %>%
addTiles() %>%
addCircleMarkers(lng = ecosysteme$Longitude[1], lat = ecosysteme$Latitude[1], ## On ajoute le centroïde de l'écosystème
radius = 25, stroke = FALSE, fillOpacity = 0.9,
color = "steelblue", popup = ecosysteme$Nom_ent[1]) %>%
addAwesomeMarkers(lng = ~Longitude, lat = ~Latitude,
popup = ~paste("Nom :", Categorie, "<br/>","Distance avec l'écosystème", Dist_centre))
```
## Column {data-width="350"}
### Tableau de mesure de distance avec le centroïde de l'écosystème
```{r echo=FALSE, message = FALSE, warning = FALSE}
datatable(index[,c(1,11)])
```
# Analyse des variables
## column {data-width = 330}
### Graphique des distances en fonction des secteurs d'activité
```{r echo=FALSE, message = FALSE, warning = FALSE}
distance %>%
filter(Complet == 1) %>%
ggplot(aes(Secteur,Dist_centre)) +
geom_point() +
theme(axis.text.x = element_text(angle = 90))
```
### Graphique des distances pour les exploitations de moins de 10 employés
```{r echo=FALSE, message = FALSE, warning = FALSE}
distance %>%
filter(emp_inf_10 == 1) %>%
ggplot(aes(Secteur,Dist_centre)) +
geom_point() +
theme(axis.text.x = element_text(angle = 90))
```
## column {data-width = 330}
### Graphique des distances pour les exploitations de plus de 10 employés
```{r echo=FALSE, message = FALSE, warning = FALSE}
distance %>%
filter(emp_sup_10 == 1) %>%
ggplot(aes(Secteur,Dist_centre)) +
geom_point() +
theme(axis.text.x = element_text(angle = 90))
```
### Graphique des distances pour les exploitations de moins de 5 ans
```{r echo=FALSE, message = FALSE, warning = FALSE}
distance %>%
filter(age_inf_5 == 1) %>%
ggplot(aes(Secteur,Dist_centre)) +
geom_point() +
theme_minimal() +
theme(axis.text.x = element_text(angle = 90))
```
## column {data-width = 330}
### Graphique des distances pour les exploitations de 5 ans à 15 ans
```{r echo=FALSE, message = FALSE, warning = FALSE}
distance %>%
filter(age_inf_15_sup_5 == 1) %>%
ggplot(aes(Secteur,Dist_centre)) +
geom_point() +
theme(axis.text.x = element_text(angle = 90))
```
### Graphique des distances pour les exploitations de plus de 15 ans
```{r echo=FALSE, message = FALSE, warning = FALSE}
distance %>%
filter(age_sup_15 == 1) %>%
ggplot(aes(Secteur,Dist_centre)) +
geom_point() +
theme(axis.text.x = element_text(angle = 90))
```
# Analyse des secteurs
```{r echo=FALSE, message = FALSE, warning = FALSE}
p <- ggplot(data = distance,aes(Secteur,Dist_centre) ) +
geom_boxplot() +
theme_economist() +
theme(axis.text.x = element_text(angle = 90))
ggplotly(p)
```